約束能量優(yōu)化的視頻運動目標檢測及并行實現(xiàn).pdf

1、視頻運動目標檢測作為智能視頻監(jiān)控系統(tǒng)的重要環(huán)節(jié)，是目標分析、識別和跟蹤等一系列后續(xù)處理的基礎(chǔ)。隨著智能視頻監(jiān)控系統(tǒng)廣泛應(yīng)用于社會安全保障、智能交通管理、工業(yè)生產(chǎn)控制等領(lǐng)域，應(yīng)用場景愈加多樣化。這對視頻運動目標檢測的精確性、穩(wěn)定性、適應(yīng)性等方面提出了更高的要求?；谀芰孔钚』膱D割算法對圖像分割效果顯著，但用于連續(xù)的視頻運動目標檢測時存在目標邊緣偏移問題。本文在現(xiàn)有的研究基礎(chǔ)上，從約束能量的角度對基于圖割的運動目標檢測算法的能量函數(shù)進行優(yōu)

2、化，并對新算法做了并行加速以滿足實時性處理要求，具體研究工作如下：
　　基于圖割的運動目標檢測算法在連續(xù)的視頻檢測中會引起目標邊緣偏移問題。經(jīng)過分析發(fā)現(xiàn)，連續(xù)的視頻檢測不同于單幅圖像分割，缺少有效的人工交互使得能量函數(shù)的邊界項參數(shù)固定，從而導(dǎo)致上述問題。鑒于此，本文提出了一種基于邊長約束加權(quán)梯度的視頻運動目標檢測算法。該方法將運動目標邊長與圖像梯度值之間的內(nèi)在的聯(lián)系具體化，提取運動目標邊長特征作為先驗信息來約束加權(quán)梯度，實現(xiàn)了對邊

3、界項參數(shù)的自適應(yīng)優(yōu)化，從而減少目標邊緣偏移。本文實驗所設(shè)置的室內(nèi)和室外多個場景下多類運動目標的檢測對比結(jié)果表明，本文算法與同類方法相比，其檢測結(jié)果邊緣更加平滑，在不同場景下具有更強的適應(yīng)性。
　　基于邊長約束加權(quán)梯度的視頻運動目標檢測算法，在提高目標檢測精度的同時也極大增加了算法復(fù)雜度。本文以CUDA平臺為基礎(chǔ)，主要從算法并行任務(wù)劃分，實現(xiàn)粗細粒度并行；合理規(guī)劃GPU內(nèi)存分配，提高數(shù)據(jù)吞吐效率；消除指令分支，提高指令級并行度三方面